基于极限学习机的风机故障诊断方法技术

本文公开了一种基于极限学习机的风机故障诊断方法，包括以下步骤：采用风机轴承振动信号的时域特征参数作为样本特征向量，形成训练集和测试集；分别用1、2、3、4对训练集和测试集中的类别进行标识；在训练集上进行ELM分类模型学习：选取激活函数，通过改进PSO结合CV优化得到ELM参数；将测试集的样本代入分类器中验证其类别。加强对风电机组轴承的故障诊断，对减少风机停机时间，提高风电场运行经济效益具有重要意义。

【技术实现步骤摘要】
基于极限学习机的风机故障诊断方法
本专利技术涉及风机故障诊断领域，更具体的说涉及一种基于极限学习机的风机故障诊断方法。
技术介绍
随着世界人口的持续增加和社会的不断发展，人类对于能源的需求与日俱增，而石油、煤炭等传统能源的储量急剧减少，因此大力发展新能源显得尤为重要。风能是一种无污染、可再生的新能源，因此风力发电近年来在世界各地得到了越来越多的研究和发展。但是，风电机组大多安装在非常恶劣的自然环境下，很容易受到变速变方向的风力冲击以及温差的侵蚀，因此风机比较容易发生故障。轴承是风机中至关重要的传动部件，可以减少各部件相对运动的阻力，起支撑和导向作用。如果轴承发生故障，机组将停止运行，风机的利用率大幅度下降，给风电场带来极大的经济损失。因此，快速有效地诊断风机轴承的故障是提高风机利用率，进而提高风电场经济效益的有效措施。目前，应用于风机轴承故障诊断的人工智能方法主要有反向传播神经网络(BackPropagationNeuralNetwork，BPNN)、支持向量机(SupportVectorMachine，SVM)和最小二乘支持向量机(LeastSquaresSupportVector本文档来自技高网...

【技术保护点】
一种基于极限学习机的风机故障诊断方法，包括以下步骤：①采用风机轴承振动信号的时域特征参数作为样本特征向量，形成训练集和测试集；②分别用1、2、3、4对训练集和测试集中的类别进行标识；③在训练集上进行ELM分类模型学习：选取激活函数，通过改进PSO结合CV优化得到ELM参数；④将测试集的样本代入ELM分类器中验证其类别。

【技术特征摘要】
1.一种基于极限学习机的风机故障诊断方法，包括以下步骤：①采用风机轴承振动信号的时域特征参数作为样本特征向量，形成训练集和测试集；②分别用1、2、3、4对训练集和测试集中的类别进行标识；③在训练集上进行ELM分类模型学习：选取激活函数，通过改进PSO结合CV优化得到ELM参数；④将测试集的样本代入ELM分类器中验证其类别。2.根据权利要求1所述的基于极限学习机的风机故障诊断方法，其特征在于步骤①中对振动信号进行特征提取：时域特征可以很好地表征振动信号的信息，因此选取9个有代表性的时域特征参数作为样本的特征向量，分别为：均值um、标准偏差ustd、均方根值urms、峰值up，波形因子KSF、峰值因子KCF、脉冲因子KIF、裕度因子KCLF以及峭度因子Ku，计算公式如式(1)-(9)所示，因此，ELM模型的输入层节点数为9。up＝{max[u(i)]-min[u(i)]}/2(4)KCF＝up/urms(6)。3.根据权利要求1所述的基于极限学习机的风机故障诊断方法，其特征在于步骤②中用{1，2，3，4}依次表示轴承的正常状态、内圈故障、外圈故障和滚动体故障；每种状态分别取30个样本进行分析，其中20个样本作为训练样本，其它10个样本作为测试样本。4.根据权利要求1所述的基于极限学习机的风机故障诊断方法，其特征在于步骤③中ELM的模型原理为：设输入层与隐含层之间的连接权值w，隐含层与输出层之间的连接权值β，隐含层节点阈值b分别为：其中，m表示输出层节点的个数；设隐含层节点的激活函数为G(w，x...

【专利技术属性】
技术研发人员：卢锦玲，绳菲菲，赵洪山，
申请(专利权)人：华北电力大学保定，
类型：发明
国别省市：河北,13